交通予測のための動的グラフ畳み込み再帰ネットワーク：ベンチマークと解決策

交通予測はスマート交通システムの基盤である。正確な交通予測は、スマートシティの応用分野、特にインテリジェント交通管理および都市計画において不可欠である。これまでに多数の空間時系列モデリング手法が提案されてきたが、それらは道路網における地点間の相関関係が時間とともに変化する動的特性を無視している。一方、多数の再帰型ニューラルネットワーク（RNN）ベースの手法は、再帰的な演算に起因して十分な効率性を発揮できていない。さらに、同一データセット上で異なる手法間の公平な比較が極めて不足しているのが現状である。上記の課題に対処するため、本稿では新たな交通予測フレームワーク「Dynamic Graph Convolutional Recurrent Network（DGCRN）」を提案する。DGCRNでは、ハイパーネットワークを設計し、ノード属性から動的特性を活用・抽出する。また、各時刻ごとに動的フィルタのパラメータを生成する。この動的フィルタを用いてノード埋め込みをフィルタリングし、動的グラフを構築。その後、事前に定義された静的グラフと統合する。本研究では、時刻ごとに動的グラフの詳細なトポロジーを生成する手法を初めて採用したと認識している。さらに、効率性と性能の向上を図るため、前向きおよび逆伝播におけるデコーダの反復回数を制限する学習戦略を導入している。最後に、公正な比較およびさらなる研究を可能とする再現性のある標準化ベンチマークと、新規の代表的な交通データセットを公開した。3つのデータセットを用いた広範な実験により、本モデルが15のベースライン手法を一貫して上回ることを確認した。